基于通道筛选和自适应熵阈值的眼电伪迹自动去除算法

为了提高脑电信号中眼电伪迹去除的效果,提出一种结合快速独立成分分析(FastICA)和启发式小波阈值去噪(HWT)算法,并以模糊熵为眼电伪迹判别标准的眼电伪迹自动去除算法。首先,采用通道筛选算法对原始脑电信号进行降维处理,以提高计算效率;随后利用FastICA算法将筛选后的脑电信号分解为独立分量;其次,通过模糊熵分析识别含有眼电伪迹的独立分量;再次,采用HWT算法剔除该分量的眼电伪迹成分,保留有用的脑电信号;最后,进行逆小波变换和逆ICA重构,得到不含伪迹的脑电信号。通过在数据集BCI Competition IV上的实验验证了该算法。结果表明,相较于现有算法,所提算法在多个性能指标上均表现出色,信噪比(SNR)相较于现有基于峰度的伪迹识别算法提高约12%。

脑电信号中眼电伪迹自动去除方法的研究

针对实际采集的脑电信号受眼电干扰较大,提出一种基于离散小波变换(DWT)与独立分量分析(ICA)的自动去除眼电伪迹的方法(DWIC).对采集的多导脑电和眼电信号进行离散小波变换,获取多尺度小波系数,将串接小波系数作为ICA的输入;利用基于负熵判据的FastICA算法实现独立成分的快速获取,引入夹角余弦准则自动识别眼迹成分,并经过ICA逆变换将剔除眼迹后的独立成分投影返回到原脑电信号各个电极;通过DWT逆变换重构信号,即可得到去除眼迹的各导脑电信号.实验结果表明,DWICA方法极大地提高了脑电信号的信噪比,抗噪能力强且实时性好,为脑电信号的在线预处理提供了新思路.

典型相关分析去除脑电信号中眼电伪迹的研究

给出了一种基于典型相关分析(Canonical Correlation Analysis,CCA)的盲源分离技术来去除脑电信号中的眼电伪迹。通过实验验证了基于CCA的盲源分离方法去除眼电伪迹的有效性,并将该方法与广泛使用的独立分量分析(Independent Component Analysis,ICA)进行了比较。实验结果表明,基于CCA的盲源分离方法可以对眼电伪迹进行成功地分离和消除,该方法相较于ICA方法而言,算法更为简单,计算速度更快。

脑电信号中眼电伪迹的自动去除算法

为实现眼电伪迹的自动去除,提高算法的有效性和稳健性,提出一种眼电伪迹自动去除算法。采用样本熵和一种通用的伪迹判决方法对眼电伪迹进行自动识别,通过脑电信号的重构实现眼电伪迹的去除。实验结果表明,对于不同长度的真实脑电信号,该算法均能准确地去除眼电伪迹,较好地保留其他的脑电信号成分,且可以完全自动地去除眼电伪迹,适用于实时场合。

单通道脑电信号眼电伪迹去除算法研究

由眨眼和眼动产生的眼电伪迹(Electrooculography,EOG)信号是脑电信号(Electroencephalography,EEG)中的主要噪声信号之一.目前,多通道脑电信号中眼电伪迹的去除算法已经较为成熟.而在单通道脑电信号的眼电伪迹去除中,由于采集通道数量较少且缺乏参考眼电信号,目前尚无十分有效的去除方法.本文提出一种基于小波变换(Wavelet transform,WT)、集合经验模态分解(Ensemble empirical mode decomposition,EEMD)和独立成分分析(Independent component analysis,ICA)的WT-EEMD-ICA单通道脑电信号眼电伪迹去除算法.实验表明:WT-EEMD-ICA算法有效地解决了单通道WT-ICA算法中的超完备问题,能够有效去除单通道脑电信号中的眼电伪迹,并且分离出的眼电伪迹成分与参考通道采集的眼电信号相关性较强.

一种基于盲源分离的眼电伪迹自动去除方法

为解决传统盲源分离算法(BSS)用于眼电伪迹去除大都存在伪迹过估计、需要人为辨别伪迹成分而不适合在线应用的不足,提出一种基于BSS算法的眼电伪迹自动去除方法.利用BSS算法对脑电信号进行分离得到独立成分,以相关系数作为判据,针对垂直眼电(VEOG)和水平眼电(HEOG)的各自特点确定不同的时间窗,寻找最优成分组合标定眨眼或眼动活动发生的时域区间,将找到的存在伪迹的成分区间置零并重建脑电(EEG)信号.通过真实P300脑电数据实验的结果表明:该方法能有效地自动去除眼电伪迹,且处理过程简单易行,克服了眼电伪迹过估计等问题.算法重建EEG信号与原始脑电(EEG)信号的平均相关系数分别从0.851 3和0.900 6提高到0.923 7,而均方误差分别减少了19.3%和16.6%,适合在线应用.

眼电伪迹自动去除方法的研究与分析

脑电信号采集时很容易受到眼电信号的干扰,从而影响脑机接口系统的性能。为此,提出一种基于离散小波变换(DWT)和典型相关分析(CCA)的眼电伪迹自动去除方法,即DCCA法。首先,对采集的多导脑电信号和眼电信号进行离散小波变换,获得多尺度小波系数,并利用典型相关分析去除小波系数间的相关性,得到互不相关的典型小波系数;进而,利用相关系数判别眼迹成分,将相应典型小波系数置零并依次采用CCA逆变换和DWT逆变换重构剔除眼电伪迹后的脑电信号。基于9位实验者的4种眼电数据进行实验研究,并从统计学的角度对实验结果进行显著性检验。结果表明,DCCA法相对其他方法在均方根误差、信噪比方面具有显著优势,且具有较好的实时性,并表现出较强的适应能力。

基于局域均值分解与典型相关分析的眼电伪迹去除方法

为消除眼电伪迹(ocular artifact,OA)对脑电信号(electroencephalography,EEG)造成的严重影响,提出一种基于局域均值分解法(local mean decomposition,LMD)与典型相关分析(canonical correlation analysis,CCA)的眼电伪迹自动去除方法,记为LMDC法.首先,利用LMD将每导脑电采集信号自适应地分解为一系列具有物理意义的乘积函数(production function,PF)分量,通过CCA去除PF分量之间的相关性,获得相应的典型变量;其次,计算每导脑电信号与多导眼电信号间的相关系数矩阵,实现眼迹成分的自动识别,将典型相关变量中对应眼迹成分的部分随机变量置零,其余随机变量不变,得到新的典型相关变量;最后,基于CCA逆变换将新的典型相关变量投影返回得到眼迹去除后的PF分量,并进一步重构出眼迹去除后的脑电信号.基于BCI竞赛数据库进行实验研究,结果表明:LMDC法相对其他常用方法获得了较好的眼迹去除效果,并对多位实验者和多种眼迹表现出较强的自适应性.

基于CEEMDAN-ICA的单通道脑电信号眼电伪迹滤除方法

传统盲源分离法不能解决欠定问题,且分离信号与源信号对应关系不确定。提出一种基于自适应噪声完备经验模态分解(CEEMDAN)和独立成分分析(ICA)相结合的脑电信号眼电伪迹自动去除方法。该方法首先将含伪迹脑电信号自适应分解成多维本征模态函数(IMF),以满足盲源分离方法对信号正定或超定要求,再对本征模态函数用ICA方法构建多维源信号,最后利用模糊熵阈值判据判别多维源信号中的伪迹信号,完成滤波并重构脑电信号。该方法相比于其他算法,能更好的去除眼电伪迹并保留原始信息,适合单通道脑电信号预处理。

一种基于皮层成像的自动眼电伪迹去除方法

脑电信号十分微弱,并且特别容易受到眼电的干扰。这些干扰给阅读和分析脑电信号带来了很大的困难,因此自动消除眼电对脑电的干扰一直是研究人员重视的问题。本研究提出一种基于皮层成像的自动眼电伪迹去除方法,对于已经完成滤波的脑电数据段,通过设立阈值的方法识别伪迹,利用基于相关系数的眼电伪迹识别算法标记眼电伪迹数据段,然后通过结合脑电信号时空信息的、基于皮层成像技术的眼电伪迹处理方法(CAST),处理已经标记好的眼电伪迹数据段,并通过真实的事件相关电位数据验证了方法的有效性。验证结果表明,此方法能够实现眼电伪迹的自动识别和去除,去除伪迹后的信号与原始无眼电伪迹的标准信号之间的相关系数为0.953 7±0.042 3。

便携式BCI设备快速自动去眼电伪迹算法的研究

针对多通道的去眼电伪迹研究目前已较为成熟,但是在便携式单通道脑电信号领域,尚未有一种十分有效快速去除眼电伪迹的方法。经验小波变换EWT是一种新型的自适应信号处理算法,相较于经验模态分解EMD算法存在模态混跌问题和集合经验模态分解EEMD算法实时性不足的缺点,EWT将小波变换和EMD相结合克服了前者的缺点。基于此提出将EWT、典型相关分析CCA以及瑞利熵RE相结合的自动去眼电伪迹算法。试验表明,该方法可有效去除单通道脑电中的眼电伪迹,且快速自动,能满足便携式单通道脑机接口BCI的需求。

基于典型相关分析和小波变换的眼电伪迹去除

目的针对脑电信号中眼电伪迹去除尚存在的问题,提出一种基于典型相关分析与小波变换的(wavelet-enhanced canonical correlation analysis,wCCA)自动去除眼电伪迹的算法。方法首先,充分利用脑电信号和眼电伪迹的空间分布特征,将基于典型相关分析的盲源分离算法分别应用于左右脑区的混合信号中,从而保证典型相关分析分解得到的第一个典型相关变量(即左右脑区之间的最公共成分),就是眼电伪迹分量。然后为了恢复泄漏在该伪迹分量中的脑电成分,对伪迹分量进行小波阈值滤波,将高于某一阈值的小波系数置零,而保留低于阈值的系数。结果与其他三种基于盲源分离去除眼电伪迹的方法相比较,该方法在有效地自动去除眼电伪迹的同时,很好地保留了潜在的脑电信号,去除效果明显优于其他三种方法。结论由于该算法简单,处理速度较快,因此应用于实时的脑机接口系统中更具优越性,为后续脑电信号的特征提取和分类分析提供了良好的基础。

基于CEEMDAN-CFAR的单通道脑电信号眼电伪迹去除方法研究

目的:提出一种基于自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和恒虚警率(constant false alarm rate,CFAR)算法的眼电伪迹去除方法。方法:首先采用CEEMDAN方法分解原始信号,得到低频噪声和含有明显眼电脉冲信号的本征模态函数(intrinsic mode function,IMF)分量。其次采用CFAR算法实现IMF分量中眼电伪迹的自动识别。然后对含有眼电伪迹的脑电信号进行预处理后获得纯净脑电信号。最后通过实验验证该方法的有效性。结果:该方法能在有效滤除眼电伪迹的同时较好地保留局部细节和有用信息。结论:该方法具有计算简单、运行速度快的优点,适用于单通道脑电信号中的眼电伪迹去除。

结合PCA和JADE的EEG眼电伪迹去除研究

眼电伪迹干扰是脑电信号中的常见干扰,严重影响到有用脑电信号的提取和分析。提出一种基于主分量分析(PCA)和特征矩阵联合相似对角化(JADE)算法相结合的眼电伪迹去除方法,并探讨了主分量分析对伪迹去除的影响。实验结果表明了该算法的有效性及稳健性,并且其时间开销小。此外该算法还可以有效去除其他脑电伪迹及干扰成分。

基于独立分量分析的眼电伪迹去除方法研究

脑电信号极易受到眼电信号的干扰,这会导致脑电信号处理结果与实际情况发生较大的偏差,因此,去除包含于脑电信号中的眼电成分是信号预处理的一个重要操作。研究了独立成分分析理论及概要模型,提出一种基于Informax的优化ICA方法,对混入脑电信号中的眼电信号进行辨别、分离、重构,实验结果表明该方法能够准确地从混合信号中区分出眼电伪迹的独立成分,进而实现对原脑电信号的特征增强。

基于变分模态分解的眼电伪迹去除

脑电信号可以反映人体大脑活动状态,精确地将脑内信息传递向外界,对脑科学研究具有重要的意义。在实际情况中,脑电信号采集的同时会带有一些噪声,而眼电伪迹的存在会严重干扰脑电信号。本研究尝试了一种基于变分模态分解的眼电伪迹去除方法。通过变分模态分解将采集到的脑电信号分解成K组模态分量;根据眼电伪迹的频率特点,选择出眼电伪迹所对应的模态分量,并将其去除后重新构建剩余的模态分量。结果表明通过对实验数据的处理,变分模态分解可以有效地将眼电伪迹去除,并维持脑电信号的特征。

脑电信号中眼电伪迹自动识别与去除方法研究

传统盲源分离算法消除眼电伪迹须用到两个眼电信号作为参考,但在采集眼电信号时易给被试带来不适产生噪声,且识别时需要人为辨别,为了解决这些问题,提出一种基于FastICA的眼电伪迹自动去除方法。该方法先计算出FastICA提取出的各独立成分与GFP(Global Field Power)值的相关系数,再比较相关系数,将其绝对值最大所对应的独立成分识别为眼电伪迹独立成分,最后把该独立成分置零重构干净的脑电信号,实现眼电伪迹的自动去除。通过自采的30例脑电数据实验结果表明:该方法能完全自动地去除眼电伪迹成分并有效保留其他脑电成分,且快速准确,适用于实时场合。

改进独立分量算法的眼电伪迹去除方法研究

脑电信号采集过程中易受眼电干扰,给脑电信号分析处理带来极大的不便,由此提出了一种改进独立分量分析(IICA)自动去除眼电伪迹的方法。该方法将水平和垂直眼电信号按照一定的比例混叠成一导新的信号,并与脑电信号一起作为输入;采用基于负熵判据的Fast ICA算法快速获取各导独立分量;记录此时的负熵判据参数a,并利用相关系数识别混叠眼电信号独立分量,记录对应的相关系数;a加上一定的步长,重复上述步骤至a达到阈值时停止;重复多次上述循环,获取均值向量,取出均值向量中最大的相关系数与所对应的a,根据a获取新的独立分量,采用相关系数自动识别混叠眼电独立分量,并置零;再进行ICA逆变换返回到原信号各个电极,即可得到同时去除水平与垂直眼电伪迹后的各导脑电信号。实验结果表明,IICA方法能有效降低去伪迹耗时,极大提高信噪比,减少均方根误差。

能量熵与峰值窗口结合去除眼电伪迹研究

为改进传统独立分量分析自动去除眼电伪迹算法中存在识别眼电分量速度慢、需采集同步参考眼电信号、丢失脑电信号问题,提出一种不需要参考眼电信号的眼电伪迹自动识别去除方法。利用FastICA分解出独立分量,计算各独立分量频谱能量熵,以频谱能量熵值作为判据识别出眼电分量;然后使用峰值窗口分离出眼电分量中存在的脑电信号,与其他独立分量进行拼接;利用FastICA逆变换重构出去眼电伪迹的脑电信号。实验结果表明:该方法能准确快速自动地去除眼电伪迹,并较好地保留其他的脑电信号成分;频谱能量熵识别眼电伪迹平均用时为0.01 s,准确率为98%,适用于实时EOG去除。

精神分裂症患者脑电信号中眼电伪迹自动去除方法

目的探讨精神分裂症患者额叶脑电信号中眼电伪迹自动去除的最佳方法。方法利用基于3种小波基(db4、sym4、bior2.4)小波包变换,分别对精神分裂症患者额叶脑电信号进行4层小波包分解,获取多尺度小波包系数,对第4层含有眼电伪迹的小波包系数进行自适应阈值处理,处理后重建脑电信号,去除眼电伪迹,并通过功率谱分析对其进行评价。结果基于3种小波基的处理算法均能很好地去除脑电信号中的眼电伪迹,其中db4小波基处理方法能更好地保留脑电信号成分。结论采用小波包变换自适应阈值方法不仅能有效去除脑电信号中低频段的眼电伪迹干扰,而且能有效保留脑电信号的有用成分,特别是高频段脑电信号。